Quiz dotyczący wykrywania dryfu modelu

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaka jest różnica między dryfem danych a dryfem koncepcji?
   • Dryf danych zmienia rozkład danych wejściowych; dryf koncepcji zmienia relację wejście-wyjście
   • Są to dwie nazwy tej samej rzeczy
   • Dryf danych wpływa tylko na obrazy; dryf koncepcji wpływa tylko na tekst
   • Dryf danych ma miejsce podczas szkolenia; Dryf koncepcji ma miejsce podczas testowania
2. How should a team interpret a PSI value such as 0.30?
   • As a guarantee that model accuracy has fallen
   • As a signal to investigate under the chosen monitoring policy, not a universal proof of harmful drift
   • As an identical threshold for every feature and population
   • As proof that retraining must begin immediately
3. Dlaczego wykrywanie dryfu na podstawie danych wejściowych może dać wczesne ostrzeżenie?
   • Ponieważ dane wejściowe zawsze są najpierw błędne
   • Ponieważ dane wejściowe to mniejsze pliki
   • Ponieważ etykiety oparte na faktach często pojawiają się znacznie później niż przewidywania
   • Ponieważ modele całkowicie ignorują etykiety
4. What does a two-sample Kolmogorov-Smirnov test compare?
   • The average accuracy of two classifiers only
   • The class labels predicted by a single model
   • The parameter values of two neural networks
   • The empirical cumulative distribution functions of two samples
5. Który scenariusz jest wyraźnym przykładem dryfu koncepcji?
   • To, co użytkownicy uważają za „spam”, zmienia się z biegiem czasu, nawet w przypadku podobnie wyglądających e-maili
   • Aparat generuje nieco jaśniejsze obrazy
   • Wiek klientów w zbiorze danych pozostaje taki sam
   • Zbiór danych jest przechowywany w nowym formacie pliku
6. What is a safe first response when an input-drift monitor triggers?
   • Automatically deploy a newly retrained model without evaluation
   • Investigate the data and impact, then decide whether retraining or another action is justified
   • Delete the reference data
   • Assume every shift is harmful concept drift
7. What can TensorFlow Data Validation check in an ML pipeline?
   • The causal effect of a feature
   • Whether every model prediction is correct
   • Data schemas and statistics, including unexpected changes
   • The absolute accuracy of an unlabeled dataset
8. What does the Population Stability Index (PSI) measure in a drift-monitoring setup?
   • The model’s accuracy on labeled examples
   • A causal effect of an input feature
   • A universal pass/fail threshold for all models
   • A numerical summary of how binned feature distributions differ between reference and current data